数据研发工程师

优缺点分析

角色解读

• 在数据研发领域深耕，从数据工程师向数据架构师或技术专家方向发展
• 结合 AI 技术，向 AI 数据工程师或数据智能方向转型，成为懂大模型应用的数据专家
• 在金融科技领域积累业务知识，向数据产品经理或业务线技术负责人方向发展
• 负责滴滴国际金融业务（支付、信贷等）的离线及实时数据仓库的规划、建模与落地，构建高质量的数据资产体系
• 主导实时与离线数据集市建设，设计并开发核心业务指标，为风控、运营及管理层提供精准的数据支持
• 负责大数据计算任务（Spark/Flink）的性能调优，保障数据产出的时效性与准确性，解决海量数据场景下的技术难题
• 探索大模型（LLM）在数据研发领域的应用，如 Text-to-SQL、智能运维 Agent，利用 AI Coding 工具提升团队研发效率
• 深入理解维度建模理论，有独立负责大型数仓分层设计的经验，熟悉数据治理流程
• 精通 Hadoop 生态（HDFS/Hive/MR），熟练掌握 Spark/Presto，具备丰富的 SQL 调优及数据倾斜处理经验
• 扎实的分布式系统基础，精通 Flink/Kafka/Spark Streaming，熟悉 Flink 状态管理及反压机制
• 熟练使用至少一种主流 OLAP 引擎（ClickHouse / StarRocks / Druid / ES），并掌握 Java / Python / Scala 中至少一门编程语言

申请策略

• 在申请时，可以表达对金融科技业务的兴趣和理解，体现业务 Sense
• 准备一个能体现你解决复杂数据问题的项目案例，在面试中详细阐述
• 突出数据仓库建模、分层设计、数据治理的实际项目经验，特别是大型数仓项目
• 强调 Spark/Flink 性能调优、数据倾斜处理等实战案例，量化调优效果
• 如有 AI 应用经验（如 Text-to-SQL、Agent），务必重点展示，这是加分项
• 若有金融/支付/信贷行业的数据开发经验，需在简历中明确体现
• 系统复习 Flink 状态管理、反压机制等核心原理，并准备相关实践案例
• 了解大模型（LLM）在数据领域的应用，如 RAG、Agent 架构，可尝试一些开源项目

面试指南

• 回答项目经验时，可以采用 STAR 原则，清晰描述项目背景、任务、行动和结果，并量化成果
• 回答技术问题时，可以结合具体案例，先阐述原理，再说明实践，最后总结反思
• 回答 AI 应用问题时，可以展示对前沿技术的关注，并结合实际场景提出应用思路
• 请介绍一个你负责的数仓建模项目，包括分层设计、模型设计和数据治理
• 你在 Spark/Flink 性能调优方面有哪些经验？如何解决数据倾斜问题？
• 谈谈你对 Flink 状态管理和反压机制的理解
• 你如何看待大模型在数据研发领域的应用？有没有相关实践？
• 如何保证数据产出的时效性和准确性？